5.RDD操作综合实例

一、词频统计

A. 分步骤实现 

准备文件

1. 下载小说或长篇新闻稿
3. 

    

    

   

4.  

   

    

    

    4.排除大小写lower()，map()

6. 

    

    标点符号re.split(pattern,str)，flatMap(),

7. 

    

    停用词,可网盘下载stopwords.txt,filter()，

8. 

    

    长度小于2的词filter()

9. 

   统计词频  

    

    

    

    

    

    
   　　　　　　6.按词频排序

10. 

     

     

11. .输出到文件
12. 

     

     B. 一句话实现：文件入文件出

13. 1

    lines = sc.textFile("hdfs://localhost:9000/user/hadoop/test.txt").flatMap(lambda line: line.split()).flatMap(lambda line: re.split(r'\W', line)).flatMap(lambda line: line.split()).map(lambda word: word.lower()).filter(lambda x: x not in stopwords).filter(lambda x: len(x) > 2).map(lambda a: (a, 1)).reduceByKey(lambda a, b: a + b).sortBy(lambda x: x[1], False)

    　　

14. .和作业2的“二、Python编程练习：英文文本的词频统计 ”进行比较，理解Spark编程的特点。

     　　　　　　Spark运行速度快、易用性好、通用性强和随处运行。

15. 二、求Top值

16.